أفضل 8 أدوات وخوارزميات مفتوحة المصدر لتتبّع الأجسام

عندما تتجاوز سيارة إشارة حمراء وتُرسل مخالفة آلية إلى السائق، أو عندما يراوغ لاعب كرة قدم عبر الملعب وتتبع الكاميرا مجريات اللعب بسلاسة، يعمل الذكاء الاصطناعي بهدوء في الخلفية. وتعتمد هذه الأنظمة تحديدًا على الرؤية الحاسوبية، وهي مجال فرعي من الذكاء الاصطناعي يتيح للآلات رؤية المعلومات المرئية من العالم وتفسيرها وفهمها.

ضمن مجال الرؤية الحاسوبية، تتمثل إحدى المهام الأساسية التي تقف وراء هذه التطبيقات في تتبع الكائنات. ويُستخدم ذلك لتحديد الكائنات في كل إطار من إطارات الفيديو، ثم متابعة هذه الكائنات أثناء تحركها أو تداخلها مع غيرها أو تغيير اتجاهها.

تتوفر اليوم العديد من أدوات تتبع الكائنات والخوارزميات، وقد صُمم كل منها لحالات استخدام واحتياجات أداء ومستويات تعقيد مختلفة. تركز بعض الأدوات على السرعة ويمكنها تتبع عشرات الكائنات في الوقت الفعلي، بينما تعطي أدوات أخرى الأولوية للدقة أو الاستقرار طويل الأمد في ظروف صعبة مثل الحجب والحركة السريعة أو الإضاءة المنخفضة.

وعلى وجه التحديد، أدت المشروعات مفتوحة المصدر دورًا رئيسيًا في تطوير هذا المجال. وبما أن شيفرتها متاحة للعامة، يستطيع المطورون والباحثون دراسة آلية عملها وتحسين الأساليب الحالية وتكييفها مع تطبيقات جديدة. وقد ساعد هذا الانفتاح على تطور تتبع الكائنات بسرعة، وعلى تسهيل دمجه في الأنظمة الواقعية.

في هذه المقالة، سنستكشف ثماني أدوات وخوارزميات شائعة مفتوحة المصدر لتتبع الكائنات. لنبدأ!

ما المقصود بتتبع الكائنات؟#

لنتصور سيناريو يراقب فيه حارس أمن تسجيلات كاميرات المراقبة لساحة انتظار. ويقرر مراقبة سيارة حمراء واحدة. ومع تشغيل الفيديو، يضع علامة ذهنية على تلك السيارة ويتابعها أينما ذهبت، حتى عندما تمر سيارات أخرى بجانبها أو يمشي أشخاص أمامها.

يشبه تتبع الكائنات المدعوم بالذكاء الاصطناعي ذلك، لكنه يعمل تلقائيًا وعلى نطاق واسع. وبعبارة أخرى، تتبع الكائنات هو عملية متابعة كائن أثناء تحركه عبر إطارات الفيديو، والحفاظ على هويته متسقة من إطار إلى آخر.

في العديد من الأنظمة، تبدأ العملية بـ اكتشاف الكائنات، الذي يعثر على كائنات مثل الأشخاص والمركبات وإشارات المرور ويضع تسميات لها في كل إطار. ثم، مع تحرك هذه الكائنات أو ظهورها أو اختفائها أو تداخلها، يربط نظام التتبع الاكتشافات عبر الإطارات لكي يعرف هوية كل كائن والمسار الذي يسلكه كل منها بمرور الوقت.

الشكل 1. نظرة على تتبع الكائنات (المصدر)

هناك نوعان شائعان من التتبع: تتبع كائن واحد (SOT)، الذي يركز على كائن رئيسي واحد (مثل تتبع الكرة فقط في فيديو رياضي)، وتتبع عدة كائنات (MOT)، الذي يتابع العديد من الكائنات في الوقت نفسه ويُسنِد إلى كل منها معرّفًا فريدًا (مثل تتبع جميع السيارات عند تقاطع مزدحم).

بغض النظر عن نوع التتبع، تعتمد معظم الأنظمة على ثلاثة مكونات أساسية: كاشف للعثور على الكائنات في كل إطار، ونموذج حركة للتنبؤ بكيفية تحرك هذه الكائنات على الأرجح، وخطوة مطابقة لربط الاكتشافات الجديدة بالكائنات التي جرى تتبعها سابقًا. وتحول هذه الأجزاء الفيديو الخام إلى معلومات مفيدة حول كيفية تحرك الكائنات وتفاعلها بمرور الوقت.

الحاجة إلى أدوات مفتوحة المصدر لتتبع الكائنات#

قبل الخوض في التفاصيل، قد تتساءل: ما الذي يجعل أدوات وخوارزميات تتبع الكائنات مفتوحة المصدر مميزة إلى هذا الحد؟

أدت الأدوات مفتوحة المصدر دورًا كبيرًا في جعل تتبع الكائنات أسهل استخدامًا وأكثر انتشارًا. وبما أن الشيفرة مفتوحة، يستطيع المطورون والباحثون رؤية كيفية عمل أداة التتبع بالضبط، والتعلم منها، وتكييفها مع مشروعاتهم بدلًا من التعامل معها كصندوق أسود.

كما تستفيد هذه الأدوات من مجتمعات قوية. إذ يحافظ العديد من أدوات التتبع مفتوحة المصدر مساهمون نشطون يضيفون ميزات جديدة، ويحسنون السرعة والدقة، ويصلحون الأخطاء، ويحافظون على توافق الأدوات مع أحدث الأبحاث. ويساعد هذا التعاون المستمر على بقائها موثوقة ومفيدة في تطبيقات مختلفة.

وتُعد التكلفة سببًا رئيسيًا آخر لأهميتها. وبما أن الأدوات مفتوحة المصدر مجانية، يستطيع الطلاب والشركات الناشئة والفرق الصغيرة التجربة وبناء النماذج الأولية وإنشاء أنظمة فعلية دون القلق بشأن رسوم التراخيص أو تكاليف الاشتراك.

أفضل 8 أدوات وخوارزميات مفتوحة المصدر لتتبّع الأجسام#

تتوفر اليوم مجموعة واسعة من الخيارات مفتوحة المصدر لبناء أنظمة التتبع. فبعضها خوارزميات أو نماذج تتبع يمكن توصيلها مباشرة بخط أنابيبك، بينما بعضها الآخر مكتبات وأطر عمل تسهّل تشغيل هذه النماذج وإدارتها ودمجها. وتغطي هذه الخيارات معًا كل شيء بدءًا من منطق التتبع الأساسي وصولًا إلى الأدوات المحيطة التي تحتاج إليها في مشروع فعلي.

والآن، لنلقِ نظرة على ثماني أدوات وخوارزميات شائعة مفتوحة المصدر لتتبع الكائنات.

1. نماذج Ultralytics YOLO وحزمة Ultralytics Python#

يُعد استخدام نماذج Ultralytics YOLO مع حزمة Ultralytics Python أحد أسهل الخيارات وأكثرها عملية لتتبع الكائنات. وتدعم نماذج Ultralytics YOLO، مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب، مجموعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات وتقسيم المثيلات وتقدير الوضعية وتتبع الكائنات.

الشكل 2. مثال على استخدام YOLO11 لاكتشاف الكائنات وتتبعها. (المصدر)

ومن المثير للاهتمام أن النماذج نفسها لا تتتبع الكائنات عبر الإطارات. بل تتيح حزمة Ultralytics Python، وهي مكتبة تبسّط تشغيل نماذج Ultralytics YOLO ونشرها، إمكانية التتبع من خلال الجمع بين اكتشافات YOLO إطارًا بإطار وخوارزميات مخصصة لتتبع عدة كائنات، مثل BoT-SORT وByteTrack.

بفضل إمكانية التتبع المدمجة، يمكن استخدام حزمة Ultralytics ونماذج Ultralytics YOLO لاكتشاف الكائنات في كل إطار، ثم إسناد معرّفات متسقة إليها لكي يمكن تتبعها أثناء تحركها وتداخلها ومغادرتها الإطار ثم عودتها إليه لاحقًا. ويُعتمد هذا النهج بصورة متزايدة في قطاعات مثل التصنيع وتجارة التجزئة، مما يتيح تطبيقات مثل سير عمل فحص العيوب وتتبع حركة المخزون وتتبع العملاء داخل المتاجر.

2. أدوات التتبع في OpenCV#

تُعد OpenCV مكتبة واسعة للرؤية الحاسوبية، وتضم مجموعة من خوارزميات تتبع الكائنات. وقد طوّر مجتمع OpenCV هذه المكتبة وحافظ عليها منذ عام 1999.

بدلًا من الاعتماد على التعلم العميق، تستخدم معظم أدوات التتبع هذه أساليب الرؤية الحاسوبية التقليدية، مثل مرشحات الارتباط والتقنيات القائمة على النواة (التي تتبع الكائن من خلال مطابقة مظهره المرئي، مثل اللون والملمس، من إطار إلى آخر، بدلًا من تعلم السمات باستخدام الشبكات العصبية).

عند استخدام هذه الخوارزميات، يمكنك عادةً تحديد الكائن الذي تريد تتبعه أولًا، ثم يبحث أداة التتبع باستمرار عن المنطقة المرئية الأكثر تشابهًا في الإطارات اللاحقة أثناء تحرك الكائن.

الشكل 3. تتبع الكائنات باستخدام OpenCV (المصدر)

رغم أن هذه الأساليب قد لا تكون متينة بقدر أنظمة التتبع الحديثة القائمة على التعلم العميق في المشاهد المعقدة أو المزدحمة، فإنها لا تزال مستخدمة على نطاق واسع لأنها خفيفة وسريعة وسهلة التشغيل. وبما أن أدوات التتبع هذه تعمل بكفاءة على وحدات المعالجة المركزية ولا تتطلب عادةً وحدة GPU، فإنها مناسبة للتجارب السريعة والتعلم في الفصول الدراسية ومشروعات الهواة.

3. ByteTrack#

يُعد ByteTrack أحد أشهر الخوارزميات مفتوحة المصدر لتتبع عدة كائنات. فبدلًا من مطابقة الاكتشافات التي يكون النموذج واثقًا منها بدرجة كبيرة فقط، يستفيد أيضًا من الاكتشافات ذات الثقة الأقل التي تتجاهلها الأنظمة عادةً.

يساعده ذلك على الاستمرار في تتبع الكائنات التي يصعب رؤيتها مؤقتًا، مثلما يحدث عندما تكون محجوبة جزئيًا أو بعيدة أو تتحرك بسرعة. وبفضل سرعته وموثوقيته، يُستخدم ByteTrack عادةً في تطبيقات مثل تحليل حركة المرور وتتبع المشاة ومراقبة المتاجر، حيث يكون الأداء في الوقت الفعلي والمعرّفات المتسقة مهمين.

كما ذكرنا سابقًا، إذا كنت تستخدم نماذج Ultralytics YOLO للاكتشاف، فمن السهل تفعيل ByteTrack من خلال حزمة Ultralytics Python. ويمكن استخدامه أيضًا بصورة مستقلة في خطوط أنابيب مخصصة، مما يجعله مناسبًا لكل شيء بدءًا من النماذج الأولية البحثية وصولًا إلى أنظمة الإنتاج المكتوبة بلغة C++.

4. DeepSORT#

من الخوارزميات الأخرى واسعة الاستخدام لتتبع عدة كائنات DeepSORT، وهو اختصار لتتبع عميق وبسيط وفوري وفي الزمن الحقيقي. وهو إصدار متقدم من SORT، وهو اختصار لتتبع بسيط وفوري وفي الزمن الحقيقي.

على غرار ByteTrack، يتبع SORT نهج التتبع القائم على الاكتشاف. إلا أن SORT يعتمد على مرشح كالمان، وهو نموذج رياضي يقدّر الموضع المستقبلي للكائن استنادًا إلى حركته السابقة، للتنبؤ بالاتجاه الذي يُرجح أن يتحرك إليه كل كائن.

ثم يطابق الاكتشافات الجديدة بالمسارات الحالية، اعتمادًا أساسًا على الموضع وتداخل المربعات المحيطة. وهذا يجعل SORT سريعًا وخفيفًا، لكنه قد يواجه صعوبة عندما تتداخل الكائنات أو تتقاطع مساراتها أو تختفي مؤقتًا عن الرؤية.

يحسّن DeepSORT أداء SORT من خلال إضافة معلومات المظهر إلى عملية التتبع. وإضافةً إلى الحركة والموضع، يستخدم نموذجًا لإعادة التعرف أو إعادة تحديد الهوية قائمًا على التعلم العميق، ويتعلم كيفية ظهور الكائنات. ويتيح ذلك لأداة التتبع التعرف على الكائن نفسه عبر الإطارات، حتى عندما لا تكفي الحركة لتمييزه عن الكائنات الأخرى.

ولهذا السبب، يُستخدم DeepSORT عادةً في تطبيقات مثل المراقبة ورصد الحشود، حيث تتداخل حركة الأشخاص كثيرًا أو يتعرضون للحجب مؤقتًا. ومع ذلك، يُعد اليوم خط أساس تقليديًا، وغالبًا ما تحقق أساليب التتبع الأحدث أداءً أفضل في المشاهد الأكثر تحديًا.

5. Norfair#

Norfair مكتبة تتبع خفيفة صُممت لتكون مرنة بدلًا من فرض خط أنابيب ثابت عليك. ويمكنها إضافة التتبع إلى أي كاشف تقريبًا، ما دامت مخرجات الكاشف قابلة للتمثيل كمجموعة من النقاط، مثل مراكز المربعات المحيطة أو النقاط الرئيسية أو بيانات الإحداثيات المخصصة.

الشكل 4. تتبع الكائنات في العالم الحقيقي باستخدام Norfair (المصدر)

تجعل هذه المرونة Norfair مؤثرة بصورة خاصة في المشروعات التي تتضمن مدخلات غير مألوفة أو أنماط حركة ديناميكية قد تعجز أدوات تتبع عدة كائنات القياسية عن التعامل معها. كما توفر المكتبة دوال مسافة مدمجة للتحكم في كيفية مطابقة الاكتشافات عبر الإطارات.

تقيس دوال المسافة هذه مدى تشابه نقطتين أو كائنين، مما يمنح المستخدمين تحكمًا كاملًا في منطق التتبع. ويُستخدم Norfair غالبًا في الروبوتات وتحليل الحركة الرياضية وملاحة الطائرات المسيّرة والتطبيقات التي تعتمد بدرجة كبيرة على تتبع معالم الوضعية أو النقاط الرئيسية.

6. MMTracking#

MMTracking صندوق أدوات مفتوح المصدر للتتبع من فريق OpenMMLab، الذي يقف أيضًا وراء مكتبات الرؤية الحاسوبية واسعة الاستخدام مثل MMDetection. وقد بُني MMTracking فوق MMDetection، ويوفر إطارًا مرنًا لتطوير أنظمة التتبع وتجربتها.

وتتمثل إحدى أبرز نقاط قوته في تصميمه المعياري. فبدلًا من تقييدك بخط أنابيب واحد، يتيح لك MMTracking إعداد مكونات مختلفة وتبديلها، مثل الكواشف ووحدات التتبع ونماذج إعادة التعرف في بعض الإعدادات. وبفضل هذه المرونة، يحظى بشعبية خاصة في الأبحاث والمشروعات المتقدمة التي ترغب فيها الفرق في قياس أداء الأساليب أو اختبار أفكار جديدة أو ضبط خطوط أنابيب التتبع بدقة.

7. FairMOT#

FairMOT إطار عمل لتتبع عدة كائنات، صُمم لتتبع العديد من الكائنات في الوقت نفسه. وعلى خلاف خطوط أنابيب التتبع التقليدية القائمة على الاكتشاف، التي تنفذ الاكتشاف أولًا ثم تربط الكائنات عبر الإطارات في خطوة منفصلة، يتعلم FairMOT الاكتشاف وإعادة التعرف معًا ضمن شبكة واحدة.

الشكل 5. كيفية عمل إطار FairMOT (المصدر)

يساعده هذا الإعداد المشترك على الحفاظ على هويات أكثر اتساقًا، لا سيما في المشاهد المزدحمة حيث يتداخل الأشخاص أو يتحركون بسرعة. ويُستخدم FairMOT عادةً في سيناريوهات مثل تتبع المشاة ورصد الحشود، كما يُطبق في مجالات مثل تحليلات تجارة التجزئة ومراقبة حركة المرور، حيث يكون تتبع أهداف كثيرة في الوقت الفعلي أمرًا مهمًا.

8. SiamMask#

SiamMask أسلوب لتتبع كائن واحد يتجاوز العديد من أدوات التتبع من خلال إنتاج قناع تقسيم إلى جانب مربع محيط. وببساطة، لا يكتفي برسم مستطيل حول الهدف، بل يحدد أيضًا شكل الكائن على مستوى البكسل، وهو ما قد يكون مفيدًا عندما يغير الهدف شكله أو يدور أو يصبح مخفيًا جزئيًا.

الشكل 6. تتبع كائن وتقسيمه باستخدام SiamMask (المصدر)

يستخدم هذا النهج تصميمًا سياميًا للتتبع، يتضمن أن تلتقط أداة التتبع أولًا منظرًا مرجعيًا صغيرًا للهدف من الإطار الأول، يُسمى غالبًا القالب. ثم تبحث في كل إطار جديد ضمن منطقة أكبر، وتعثر على الموضع الذي يحقق أعلى تشابه مع ذلك القالب.

يبني SiamMask على هذه الفكرة القائمة على المطابقة. كما يتنبأ بقناع للهدف على مستوى البكسل، ولذلك تحصل على موضع الكائن ومخطط أكثر دقة له أثناء تشغيل الفيديو.

العوامل الرئيسية عند اختيار أداة لتتبع الكائنات#

مع توفر خيارات متنوعة من أدوات تتبع الكائنات مفتوحة المصدر في مجال الذكاء الاصطناعي اليوم، يعتمد الخيار الأفضل لمشروع الرؤية الحاسوبية الخاص بك على متطلبات حالة الاستخدام المحددة. إليك بعض العوامل التي ينبغي مراعاتها:

• الدقة: تكون هذه العامل الأهم في المشاهد المزدحمة أو المعقدة بصريًا، حيث يحتاج نظام الرؤية إلى الحفاظ على معرّفات مستقرة حتى أثناء التداخل أو الحجب أو الحركة السريعة.
• السرعة: بالنسبة إلى التطبيقات الفورية مثل الروبوتات ومراقبة حركة المرور والتحليلات الرياضية، قد تكون سرعة الاستجابة أهم من الدقة المثالية.
• سهولة الدمج: يسهل توصيل بعض أدوات تتبع الكائنات وتشغيلها مباشرةً، ولا تتطلب سوى بضعة أسطر من الشيفرة، بينما تتطلب أدوات أخرى إعدادًا أو تهيئة أو عملًا مخصصًا على خط الأنابيب بدرجة أكبر.
• قيود النشر: يمكن أن تحدد البيئة المستهدفة، مثل خوادم GPU أو الأجهزة الطرفية أو الأجهزة المحمولة، نهج التتبع العملي.
• قابلية التوسع: إذا كان نظامك يحتاج إلى تتبع العديد من الكائنات في الوقت نفسه أو معالجة تدفقات فيديو متعددة، فينبغي أن تتوسع أداة التتبع بكفاءة دون انخفاض كبير في الأداء.

تخدم كل أداة أو خوارزمية لتتبع الكائنات غرضًا مختلفًا. وفي النهاية، يعتمد الاختيار الصحيح على متطلباتك المحددة وقيود وقت التشغيل ومقاييس الأداء ومدى قابلية تخصيص نهج التتبع الذي يتطلبه مشروعك.

أهم النقاط المستخلصة#

تطور تتبع الكائنات من تقنيات يدوية مبكرة إلى أنظمة التعلم العميق المتطورة حاليًا، التي تفسر الحركة والهوية والسلوك بدقة مذهلة. وكانت الأدوات مفتوحة المصدر قوة دافعة وراء هذا التقدم؛ إذ تتيح الوصول إلى خوارزميات قوية، وتشجع التجريب، وتمكّن الباحثين من بناء خطوط أنابيب متقدمة للتتبع دون تراخيص مقيّدة أو بنية تحتية ضخمة.

اطّلع على مجتمعنا ومستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. واستكشف صفحات حلولنا حول الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع. وتعرّف على خيارات الترخيص وابدأ في بناء نموذج الرؤية الخاص بك.